AI+多组学；3）AI+精准诊断；4） AI+影像设备；5）AI+家用；6）AI+智慧医疗。 ◼ 药物研发周期长、资金投入高、成功率低，“AI+”方案有望解决痛点。一款新药成功上市销售大约需要花费十年以上的时间，药物发现阶 段从靶点到苗头化合物再到先导化合物优化过程，整体成功率为51%，临床研究阶段的整体成功率仅为12.9%。资金花费上，一款药物从研发 到上市销售，平均需要投入8-23亿美 药物研发周期长、投入高、成功率低 ◼ 药物研发周期长、资金投入高、成功率低。全球新药研发如火如荼，整个研发过程需要经历 创新靶点研究、药物发现、临床前研究、临床研究最终申报上市，一款新药成功上市销售大 约需要花费十年以上的时间。在研发成功率方面，药物发现阶段从靶点到苗头化合物再到先 导化合物优化过程，整体成功率为51%，临床研究阶段的整体成功率仅为12.9%，制约新药的 研发上市。资金 图：全球AI制药行业的市场规模 数据来源：MedMarket Insight，国信证券经济研究所整理 全球AI制药的市场快速扩张，AI技术布局药物研发全产业链 ◼ AI技术参与药物研发的多个阶段。从靶点发现、虚拟筛选、蛋白质 结构预测、ADMET预测到临床试验等多个研发阶段，AI技术均能参与 其中，全面布局在药物研发的上、中、下游产业链。 ◼ AI制药行业市场规模快速增长。根据MedMarket

半导体硅片是全球应用最广泛、最重要的半导体基础材料，是制造芯片的基本衬底材料，也是唯一贯穿各道芯片前道制程的 半导体材料。随着人工智能、物联网等新兴产业的逐渐崛起，作为半导体硅片行业新的需求增长点，也为半导体硅片企业发 展提供了巨大的市场空间。随着应用领域不断扩大，我国半导体硅片行业将拥有广阔发展前景。 u 涉及标的： 沪硅产业（ 300mm 抛光片及外延片、 200mm 及以下抛光片、外延片及 被轰击的固体是用溅射法沉积薄 膜的原 材料，称为溅射靶材。 u 根据江丰电子招股说明书， 超高纯金属及溅射靶材是电子材料的重要组成部分，溅射靶材产业链主要包括金属提纯、靶材制 造、溅射镀膜和终端应用等环节，其中，靶材制造和溅射镀膜环节是整个溅射靶材产业链中的关键环节。 请务必阅读报告附注中的风险提示和免责声明 45 图表：溅射靶材工作原理示意图 图表：半导体溅射靶材产业链 资料来源：华经产业研究院，国海证券研究所 的市场份额。国 内 整体靶材领域企业发展较晚，技术相较于国际先进水平差别较大，目前国内靶材企业有江丰电子、阿石创、隆华科技等， 市 场份额在 1%-3% 左右。在半导体领域，材料要求更高，国产化水平整体较低。美国、日本等高纯金属制造商主要集中在 技术 壁垒较高的高端靶材产品领域，国内厂商竞争集中在中低端产品领域。随着靶材下游半导体、显示面板持续扩产，靶 材需求 量持续增长带动国内靶材企业持续扩产，叠加政策推动，

如何助力研发 在整个产品开发过程中提升创新力和效率 高效流程 • 更快的数据分析和计算机模拟测试 加 速开发过程 • 增强的数据处理能力提升质量 AI 在研发中的应用 创新产品 • 多靶点药物研发中，提高质 量 • 预测性设计生成提升创新力 技术接管研发 新型数字化助手 AI 如何提高创新力和效 率 “AI 在研发中的 应用” 4 AI 在制药领域的应用 资料来源 : 罗兰贝 格 针对位置或了解较少的靶点 来自现有化药成分的分子，用于已充分理 解的靶点 AI 已经在研发领域取得了令人瞩目的成果。一些机构发现，从药物发现到临床前候选阶段的时间最多可缩短 50% ，由于测试候选物的迭代次数减少和设计更优，成本也可实现类似程 度 Cowen, 相 关 企 业 访 谈 15-30 25-40 35-55 3-5 8-11 5-8 5 AI 在制药领域的应用 25-40 将现有分子重新利用于靶点 5-7 -35-40 % -25-30 % -40-50 % -40-50 % -30-40 % -30-50 % 2-3 10-15 5-7 15-20 情景

1.2 提效主导下的 AI 购置动力 与政策主导下的 AI 需求不同，早期提效主导下的 AI 需求没有引导、没有给定的形态， 它需要企业自身从医院的临床、运营、管理等流程中发现真正痛点，且当 AI 解决这一 痛点时，能够为医院带来直观的收益。 众多场景之中，影像 AI 是最早出现也是最为直观的例子。作为 AI 领域应用最为广泛的 应用之一，此类 AI 能够帮助医生处理高强度重复的阅片工作，帮助影像科提质增效。 再看病种，心脑血管、骨关节、肺结节、肿瘤（放疗）2、眼底是当前最火热的病种， 市场上的同类产品超过 15 种；布局肠息肉、泌尿相关等疾病的企业较少，细分赛道相 对冷门。形势背后的原因可归纳为三点。 1. 伴随标准化医疗数据获取难度的降低，市场需求全面主导影像 AI 的研发方向。根据 《中国心血管健康与疾病报告 2020》，中国成年人的冠心病总体发病率约为 9.6%，这 一数字表明冠心病 组织的边界，并以此设计剂量处方和靶区范围，降低放疗治疗过程中射线对正常组织的 影响，尽可能完全地清除肿瘤组织。 肿瘤的解剖结构非常复杂，因而靶区工作和治疗方案设计这两项工作占据了大量医生的 时间和精力，其中放疗科医生有近 50%的工作时间花在了勾画八区。勾画过程中，医生 还需要根据解剖结构形成空间想象的能力、提前预判病灶的转移途径。 人工智能最初介入放疗时主要围绕提质增效的逻辑，帮助医生完成基于 AI 的靶区勾画。

天池大赛—数智广西·全球数据智能挑战赛（2019），广西研讨会，邀请地方政府代表、学术界、医疗界、产业界等领 域专家，以“推进人工智能在医疗场景的应用”为主题，以“AI+医疗影像”为切入点，集智汇力，结合广西当地情况，探 讨医疗AI相关热点、痛点及实际问题，以期为医疗AI在广西的应用和落地绘制蓝图、切准方向，推进相关合作等。 本报告以人工智能在医疗场景中的应用为主体，结合广西的地方特色，通过动脉网·蛋壳研究院的调研及分析，分别从： 机遇与挑战 以 政 策 驱 动 技 术 区域参照：结合贵州发展情况，看广西医学人工智能落地路径 贵州 人工智能 全景应用 实施智能医疗健康重大产业化示范项 目，推进公立医院与互联网医院等重 点医院先行先试、联合攻关，加强与 全球知名人工智能科研机构和企业合 作，推进计算机视觉、模式识别、深 度学习等技术应用到医疗健康领域， 开发智能医疗影像、智能医疗。 健全完善电子健康档案、 电子病历、全员人口、卫 肿瘤影像产品价值：自动生成肿瘤解决方案，方案准确率超80% 根据检查项目，利用图像识别技术和AI 技术自动勾画相应靶 区,自动生成具体的放射性照射方案或者手术方案后，医生只 需要修改、矫正。目前，在乳腺癌、鼻咽癌、肺癌、肝癌等癌 种方面技术相对成熟，自动勾画的靶区准确率高达80%。 图：智能靶区勾画软件界面，蛋壳研究院。 图：人工智能检测肿瘤病理图像结果，蛋壳研究院。 为了解决有限的时间和诊断准确性的问题，将人工智能引入数字病

智能的发展 奠定了数据基础。 2 典型应用场景 AI+ 医疗 应用场景 20 虚拟助理 语音电子病历 / 智能导诊 智能问诊 / 推荐用药 医学影像 病灶识别与标注 / 三维重建 靶 区自动勾画与自适应放疗 辅助诊疗 医疗大数据辅助诊疗 医疗机器人 疾病风险预测 基因测序与检测服务 预测癌症 / 白血病等重大疾病 药物挖掘 新药研发 / 老药新用 / 药物筛选 病灶识别与标注：针对医学影像进行图像分割、特征提取、定量分析、对比分析等工作； B. 靶区自动勾画与自适应放疗：针对肿瘤放疗环节的影像进行处理； C. 影像三维重建：针对手术环节的应用。 图像分割、特征提取、定量分析、对比分析 迪英加 图玛深维 医拍智能 微清医疗 泰立瑞 微瞰智能 医渡云 安盟生技 武汉兰丁 视见医疗 哪吒保贝 靶区自动勾画与 自适应放疗 影像三维重建 视见医疗 连心医疗 受限于影像科医生读片速度，以及放疗科医生靶区勾画（一次勾画通常有约 200-450 张 CT 片）速度，耗费时间较长；  人工智能与医学影像的结合，能够为医生阅片和勾画提供辅助和参考，大大节约医生时间，提高诊断、放疗及手术的精确度。 病灶自动标注 数字影片在机器中完成病灶自动标 注，为影像科医生阅片提供参考， 大幅度减少误诊、漏诊 靶区自动勾画 制定放疗方案前，对 200-450 张 CT 片 进行靶区自动勾画，然后由放疗科

数据来源：*仅涵盖预训练成本，不包含研发、推理、后训练、员⼯等其他成本；2.(Sputnik(时刻，指1957年10⽉4⽇苏联抢先美国成功发射斯普特尼克1号⼈造卫星，是冷战中的其中⼀个重⼤事件及转捩点 DeepSeek的创新突破 • 每次推理仅激活相关专家，“术业有专攻” • “专事专办、要事要办 ⼩事不办 尽量不跨组解决” • 节省42.5%训练成本 MoEnSparsen(稀疏专家混合模型） MLA%建⽴⼀个智能分类系统，不记具体 信息，⽽是⼀个“简单”标签 • 模型的占⽤率降低⾄传统的MHA%5-13% MLAn（多头潜在注意⼒机制） • 像学霸⼀样把注意⼒消耗降到最低 • “⼀⽬⼗⾏ 跳记重⼼ 记住题点”“ NSAn(原⽣稀疏注意⼒)n • 传统模型需要⽤32位或者16位数记录数字 • “⼿机号码，记最后4位” • 提升训练速度同时保持精度，降低硬件门槛 FPBn混合精度训练 • 从海量数据中提炼⾼价值信息，提升模型 ⾮标数据”等困境能得到极⼤ 缓解，医院数据的应⽤价值可 以得到释放 医学数据结构化提取、标准化 24 新药研发：借助⼤模型，提升药品研发的效率和速度 • 检索药监、⽂献、临床指南、申报⼚家 数量等选择潜在靶点（需RAG未公开数据） • 知识图谱可关联临床试验数据与RWE 试验，去观察有潜⼒的适应症 研发⽅向探索 • 患者分层：基于⼤模型的语义理解能⼒， 从历史数据中识别符合⼊组标准的“数 字孪⽣”患者群体，提⾼招募效率

一、在行业应用方面， DeepSeek 成效显著 制造业中，汽车设计仿真迭代加快， 零 部件参数优化从月级缩至天级，研 发周 期缩短超 50% ；医疗领域，医 学影像 检出率提升 20% ，药物研发 靶点筛选 效率突破，研发周期缩至传 统模式的三 分之一 。 DeepSeek 2 、行业重构：从效率优化到模式改 变 二、资本市场：“砸钱堆参 数 ”转向 “解决实际问题 ” DeepSeek 1. 智才筑基—— AI 素养提升工 程 2. 算力赋能—— 基础设施升级 3. 基座选型—— 核心模型构建 4. 安全筑盾—— 防护体系建设 5. 场景深耕—— 业务痛点突破 6. 知识聚库——本地知识库建设 7. 智能铸魂 —— AI Agent 构建 三、 四横三纵应对策略路径 智绘之路 ®deepseek 四横三纵七步谋， 智算筑基夯根基。 统一行使全民所有自然资源资产所有者职责 统一行使所有国土空间用途管制和生态保护修复职责 5 、场景深耕—— 业务痛点突 破 规划 开发 调查 保护 自然资源部门工作定位 两统 DeepSeek 被集成至规划和自然资源政务系统，用于智能问答、政策解读、公文起草、 智能校对等政务服务场景。 5 、场景深耕—— 业务痛点突 破 内蒙古、江苏、湖北、湖南、广东、广西等地不动产登记机构接入 DeepSeek

项目背景与需求分析..................................................................................13 2.1 医疗系统的痛点分析...........................................................................15 2.1.1 数据孤岛问题....... 平。项目 ROI 周期控制在 18 个月内，后续将通过模型迭代持续释 放长尾价值。 2. 项目背景与需求分析 随着医疗信息化建设的不断深入，医疗机构正面临海量数据处 理、跨系统协作效率低下等核心痛点。根据国家卫健委 2023 年统 计，三甲医院日均产生临床数据超 50TB，但现有系统对非结构化 数据（如影像报告、医患对话记录）的利用率不足 12%，导致三大 典型问题显现：首先，医生平均每天需花费 存。某试点医院的压力测试表明，当并发问诊量达到 1500 人次/小 时时，系统推理延迟需稳定控制在 800ms 以内，这对知识蒸馏和 模型量化提出了严苛要求。 2.1 医疗系统的痛点分析 当前医疗系统在数字化转型过程中面临多重挑战，这些痛点直 接影响服务效率与患者体验。以下从四个维度展开分析： 业务流程效率瓶颈 1. 人工挂号分诊错误率高达 18%（国家卫 健委 2023 年数据），三甲医院门诊平均等待时间达

根据市场调研数据显示，全球医疗 AI 市场规模预计将在未来 五年内以每年超过 40%的复合增长率扩展，预计到 2028 年将达到 450 亿美元。与此同时，医疗机构在信息化和智能化转型过程中面 临以下主要痛点：  数据处理的复杂性：医学影像、基因序列等数据类型多样且体 量庞大，传统计算平台难以高效处理。  算力需求的增长：深度学习模型训练和推理对算力要求极高， 尤其是在医学影像识别、药物研发等领域，亟需高性能计算支 续性。首 先，系统应配备自动故障检测功能，通过内置的监控模块实时收集 硬件和软件的运行数据，一旦发现异常，立即触发警报并记录日 志。运维团队应根据日志信息，结合系统的运行状态，迅速定位故 障点。 对于硬件故障，如计算单元、存储设备或网络接口的异常，运 维人员应按照预设的硬件故障排查流程进行操作。例如，当计算单 元出现故障时，可以通过以下步骤进行排查： 1. 检查计算单元的电源连接是否正常； 会记录软件异常的堆栈信息，运维人员应根据这些信息定位到具体 的代码模块或服务。常见的软件故障包括内存泄漏、进程崩溃或数 据同步异常。针对这些问题，可以采取以下措施：  使用内存分析工具检测内存泄漏点，并进行修复；  重启崩溃进程或服务，并分析崩溃原因；  检查数据同步机制，确保数据的一致性和完整性。 为了更高效地处理复杂故障，建议建立一个故障知识库，记录 历史故障及其解决方案。运维团队可以根据故障知识库中的案例，